Aerial & Underwater Hyperspectral Imagery For Shallow Benthic Nature Type Mapping
Abstract
Natur i Norge (NiN) systemet klassifiserer naturtyper basert på miljøvariabler. Storskala kartlegging av bentiske naturtyper er vanskelig, ettersom lys utslukkes fort på dype områder, og grunt vann er vanskelig å forsere. Eksisterende kunnskap om bentiske naturtyper er stort sett basert på punktmålinger. For å forbedre nøyaktigheten og detaljenivået i NiN kreves omfattende kartlegging av norsk kyst.
I denne studien ble bentiske naturtyper klassifisert etter dominerende pigmentgrupper. Denne studien tar i bruk et ubemannet overflatefartøy (USV) og et ubemannet luftfartøy (UAV), begge utstyrt med en hyperspektral bildetaker, og kartlegger det samme området i Hopavågen, Norge. Potensialet for klasseidentifisering blir beskrevet for begge fotomosaikkene. De hyperspektrale fotomosaikkene blir også klassifisert med spektral vinkelkartlegger (SAM), og klassifiseringsnøyaktighet vurderes for fotomosaikkene fra USV og UAV.
UAV og UAV er begge lovende verktøy for storskala kartlegging, men det etableres også at videre studier må gjøres i vår- og sommerhalvåret, for å oppnå bra nok signal. SAM-klassifisering i USV fotomosaikken har en nøyaktighet på 63.4%, og den klassifiserte UAV fotomosaikken har en nøyaktighet på 24.8%. Sjøgress og brunalger ble klassifisert dårlig, mens rødalger og sediment ble klassifisert bra. The Nature in Norway (NiN) system classifies nature types according to environmental variables. Large scale mapping of benthic nature types by water is challenging, as light is quickly attenuated in deep areas and shallow water is difficult to traverse. Existing data of benthic nature types are mainly based on pointmeasurements. To improve the accuracy and detail of NiN, extensive mapping of the Norwegian coastline is essential.
For the purposes of this study, shallow benthic nature types are classified according to dominant pigment groups. This allows for pigment based classification of hyperspectral photomosaics, and hence relation from image to the nature type system. This study applied an Unmanned Surface Vehicle (USV) and an Unmanned Aerial Vehicle (UAV), both carrying hyperspectral imagers, mapping the same area in Hopavågen, Norway. The class identification potential was described for each photomosaic. The hyperspectral photomosaics were classified using the Spectral Angle Mapper (SAM), and the classification accuracy was assessed for the photomosaics obtained with the USV and UAV.
USV and UAV are promising large scale mapping tools, but it was established that further studies should take place in the spring/summer to obtain sufficient light signal. SAM classification of the USV photomosaic had an accuracy of 63.4%, while the classified UAV photomosaic had an accuracy of 24.8%. Seagrass and brown algae were classified poorly, while red algae and sediment were classified quite well.